CIO – att gå från att samla data till att använda den

När det gäller artificiell intelligens och maskininlärning finns det en vanlig illusion om att en enskild teknik, mjukvara eller algoritm skulle kunna hjälpa ett företag att få bättre resultat. Som om det skulle finnas någon sorts svart låda, som smälter all data och spottar ut en operativ riktlinje.

Ledsen att jag måste göra dig besviken, men tyvärr så finns det ingen svart låda. Det har inte skett något nytt mystiskt genombrott inom algoritmutveckling, och ingen programvara kan standardisera databehandling och förutsäga framtiden. Goda verksamhetsresultat skapas inte av datakällor som är kopplade till en kristallkula, tyvärr.

Men – att komma igång är inte särskilt svårt. Revolutionen i att använda data bygger på ökad datorkapacitet och utveckling av öppen källkod. Företag kan sätta upp en kraftfull datormiljö på bara några minuter och till rimliga kostnader, om de är villiga att använda molntjänster. Algoritmerna som behövs för databehandling och prediktiv analys är redan tillgängliga för vem som helst.

De goda nyheterna är alltså att företagsledare inte behöver gnälla över olika teknikval. Du behöver inte ens fixa några dyra licenser. Allt du behöver är att hitta en expert som vet hur man använder och modifierar algoritmer som passar för just dina affärsbehov.

Regel nummer 1: Var otålig

För att dra nytta av analys behöver du inga stora projekt som sträcker sig över många år. Även om det är frestande att börja med att planera ett stort projekt med all data snyggt tillgänglig för hela organisationen i en strukturerad form, är det bättre att börja i en annan ände. Hur kan vi då snabbt dra nytta av vår data och använda den för att accelerera vår verksamhet? Modern teknik är modulär och, när den är rätt designad – även flexibel. Det är lättare att planera ett organisationsövergripande projekt när det väl finns en förståelse för vad det är man egentligen vill uppnå.

Regel nummer 2: Var okej med oorganiserad data

Man hör ofta saker som: ”Vi kan inte kan göra det förrän det är bättre ordning på vår data. Vi måste vara mer specifika, annars blir det fel. Vi måste fixa den data som är fel först”. Det här ska inte behöva vara en bromskloss, eftersom en expert på nolltid kommer kunna korrigera felaktiga uppgifter. En expert kan göra algoritmer, som exempelvis kan förena olika datainmatningsmetoder och uppskatta saknad data baserat på andra egenskaper.

Regel nummer 3: Förenkling betyder framgång

Att kunna göra bra affärer handlar i grunden om att förutse framtiden och agera därefter. Poängen med artificiell intelligens och maskininlärning ligger inte i användningen av briljanta algoritmer, utan snarare i förmågan att förenkla viktiga affärsfrågor till matematiska modeller. Vinnaren är den som kan formulera rätt abstraktion för nyckelfrågan – på ett sätt som kan besvaras.

Regel nummer 4: Rätt expertis innebär rätt resultat

Nästan i varje fall är det bästa alternativet att snabbt implementera ett Proof-of-Concept, eller en ännu mindre lösning, som ger omedelbar och mätbar affärsnytta. Det här är förstås lättare sagt än gjort. En expert på området kan dock tillsammans med affärsexperter hitta rätt startläge. En konsult är inte den bästa att ge råd om hur man gör affärer. Men han eller hon vet om möjligheterna som finns i att använda data, och kan utnyttja stora mängder data på ett sådant sätt att det är användbart i beslutsfattandet och i att driva affärer.

Slutsatser

När det kommer till att köpa analys är valet glasklart. Du bör välja en kompetent dataexpert som verkligen förstår dig som kund. På Nitor fokuserar vi på att lösa våra kunders problem på ett affärsorienterat sätt, med verktyg som är bäst lämpade för uppgiften – istället för att förlita oss på teknikdrivna lösningar. Om du vill veta mer kommer vi gärna och börjar kartlägga potentiella utvecklingsområden för att skapa affärsvärde för just er.